Pendekatan Machine Learning untuk Analisis Sentimen Ulasan Capcut: Studi Komparatif Svm dan Naive Bayes
DOI:
https://doi.org/10.31849/2wp7ep93Keywords:
Analisis Sentimen, CapCut, SVM, Naive Bayes, Human-Computer Interaction.Abstract
Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi CapCut yang diambil dari Google Play Store menggunakan algoritma Support Vector Machine (SVM) dan Naive Bayes. Sebanyak 5.000 ulasan berbahasa Indonesia dikumpulkan melalui Google Play Scraper dan diproses dengan tahapan cleaning, case folding, tokenisasi, stopword removal, dan stemming sebelum direpresentasikan menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Label sentimen ditentukan berdasarkan skor bintang, yaitu negatif (1–2), netral (3), dan positif (4–5). Hasil pengujian menunjukkan bahwa model SVM memperoleh akurasi 78,6% dengan nilai macro F1-Score sebesar 0,71, sedangkan Naive Bayes mencapai akurasi 75,2% dengan macro F1-Score sebesar 0,68. Kedua model memiliki kelemahan dalam memprediksi sentimen netral, yang disebabkan oleh distribusi kelas yang tidak seimbang dan keterbatasan metode pelabelan berbasis skor. Penelitian ini menegaskan bahwa analisis sentimen berbasis AI dapat memberikan wawasan penting bagi pengembang aplikasi dalam memahami pengalaman pengguna, meskipun tantangan terkait class imbalance dan keakuratan label masih perlu diperbaiki pada penelitian selanjutnya.
References
[1] M. Meliyawati and F. N. Hasan, “Analisis Sentimen Pengguna Aplikasi CapCut pada Ulasan di Google Play Store Menggunakan Metode Naïve Bayes,” Jurnal KLIK (Kajian Ilmiah Informatika dan Komputer), vol. 11, no. 1, pp. 55–63, 2024.
[2] V. F. Anindya and A. Wijaya, “Sentiment Analysis of CapCut Application Reviews Using the Naive Bayes Method,” JIFSI (Jurnal Ilmiah Informatika dan Sistem Informasi), vol. 9, no. 2, pp. 101–109, 2023.
[3] A. Sagita, D. Pratama, and A. Nugroho, “Penerapan Metode Random Forest dalam Menganalisis Sentimen Pengguna Aplikasi CapCut di Google Play Store,” Jurnal JATI (Jurnal Mahasiswa Teknik Informatika), vol. 3, no. 2, pp. 150–160, 2023.
[4] B. Pang and L. Lee, “Opinion Mining and Sentiment Analysis,” Foundations and Trends in Information Retrieval, vol. 2, no. 1–2, pp. 1–135, 2008.
[5] B. Liu, Sentiment Analysis and Opinion Mining. San Rafael: Morgan & Claypool Publishers, 2012.
[6] J. Zhao and Y. Zhang, “Sentiment Analysis: Mining Opinions, Sentiments, and Emotions,” in Proc. 2017 IEEE International Conf. on Big Data, Boston, USA, pp. 2345–2354, 2017.
[7] X. Wang and W. Wei, “A Comparative Study on Sentiment Analysis Methods in E-Commerce Reviews,” Procedia Computer Science, vol. 162, pp. 370–377, 2019.
[8] A. Alharbi, M. Alharbi, and Y. Alzahrani, “Comparative Study of Machine Learning Algorithms for Sentiment Analysis,” International Journal of Advanced Computer Science and Applications (IJACSA), vol. 11, no. 9, pp. 78–85, 2020.
[9] Y. Li, H. Chen, and M. Wang, “Sentiment Analysis of Short Video Applications Using Machine Learning Approaches,” Procedia Computer Science, vol. 199, pp. 480–487, 2022.
[10] S. Kaur and A. Sharma, “Improving Sentiment Classification in Imbalanced Datasets Using Ensemble and Sampling Techniques,” Applied Intelligence, vol. 53, pp. 10245–10260, 2023.
